[Lời giới thiệu về Trí tuệ mới]Thiết kế mạch tích hợp truyền thống tốn nhiều thời gian và công sức. Liệu trí tuệ nhân tạo có thể được sử dụng để nâng cao hiệu quả công việc? Tại Hội nghị Mạch Tích hợp Bán dẫn năm nay, bốn nhà lãnh đạo, trong đó có Jeff Dean, người đứng đầu bộ phận AI của Google, đã giải thích tác động đáng kể của các ứng dụng AI đối với bộ xử lý, điện toán lượng tử, đổi mới cấu trúc, v.v. "Xinzhiyuan đang khẩn trương tìm kiếm tổng biên tập, biên tập viên, quản lý vận hành và quản lý khách hàng. Thêm WeChat của bộ phận Nhân sự (Dr-wly) hoặc quét mã QR ở cuối bài viết để biết thêm chi tiết."

Chủ đề của Hội nghị Mạch Tích hợp Trạng thái Rắn (ISSCC) năm nay là “Mạch tích hợp cung cấp năng lượng cho kỷ nguyên AIvà phiên họp toàn thể khai mạc nhằm mục đích vạch ra mức độ mà trí tuệ nhân tạo đang “góp phần” vào lĩnh vực bán dẫn.
 

Jeff Dean, người đứng đầu bộ phận AI của Google, Kou-Hung Loh, phó chủ tịch cấp cao của MediaTek, Nadine Collaert, giám đốc dự án của Imec, và Dario Gil, giám đốc nghiên cứu của IBM, lần lượt giải thích về những kỳ vọng và yêu cầu đối với AI trong lĩnh vực điện tử, chẳng hạn như làm thế nào để thúc đẩy các bộ xử lý mới (cũng như CPU ​​và GPU) được thiết kế đặc biệt cho các ứng dụng AI; thúc đẩy đổi mới cấu trúc (như chip nhỏ, gói đa chip, bộ chuyển đổi); và thậm chí ảnh hưởng đến sự phát triển của điện toán lượng tử.
 
Việc bố trí và định tuyến có tốn quá nhiều thời gian không? Trí tuệ nhân tạo của Google giúp bạn giảm chi phí và tăng hiệu quả.
   
Hội nghị ISSCC đã được tổ chức tại San Francisco tuần trước. Trong hội nghị, Google tuyên bố rằng trí tuệ nhân tạo cũng quan trọng không kém thiết kế mạch điện và đã công bố...Google đang cố gắng sử dụng học máy để giải quyết các vấn đề về bố trí và định tuyến tự động trong quy trình thiết kế mạch tích hợp.và đạt được kết quả tốt.  
Ứng dụng trí tuệ nhân tạo đã trở thành một điểm nóng và trọng tâm nghiên cứu trong lĩnh vực điện tử những năm gần đây. Hướng đi này đã thu hút một lượng lớn các nhà nghiên cứu bán dẫn tham gia vào các nghiên cứu liên quan đến sự kết hợp giữa các hướng truyền thống và trí tuệ nhân tạo. Đặc biệt, Hội nghị Mạch Tích hợp Bán dẫn (ISSCC) năm nay thậm chí còn đặt chủ đề của hội nghị là: "Thúc đẩy kỷ nguyên mới của trí tuệ nhân tạo với mạch tích hợpLễ khai mạc cũng nêu rõ mục đích của hội nghị này là khám phá tác động của trí tuệ nhân tạo đối với nghiên cứu trong lĩnh vực bán dẫn.
Bốn diễn giả tại lễ khai mạc đã giải thích về cách nhu cầu về trí tuệ nhân tạo đang thúc đẩy việc thiết kế các bộ xử lý chuyên dụng cho AI mới (so với CPU và GPU), cách nó thúc đẩy sự đổi mới về cấu trúc (chẳng hạn như việc sử dụng chip nhỏ, gói đa chip hoặc thiết kế dạng cắm) và thậm chí cả cách nó ảnh hưởng đến sự phát triển của điện toán lượng tử trong tương lai.  
Người phát biểu đầu tiên tại hội nghị là Jeff Dean, người đứng đầu bộ phận Trí tuệ nhân tạo của Google. Jeff Dean đề cập rằng Google đang thử nghiệm vớiỨng dụng học máy để thực hiện các tác vụ đặt và định tuyến trong thiết kế mạch tích hợp.Tức là, cho phép trí tuệ nhân tạo học cách bố trí và đấu dây trong các mạch tích hợp, giúp tiết kiệm sức lao động của các chuyên gia thiết kế.      So sánh kết quả bố trí và định tuyến của chuyên gia ASIC con người với kết quả bố trí và định tuyến của chip tăng tốc ML công suất thấp. Google đã cố tình che khuất một số phần của hình ảnh. (Nguồn: Google Research / ISSCC)
Jeff Dean đã giới thiệu ngắn gọn lịch sử phát triển của trí tuệ nhân tạo (AI) và học máy (ML), sau đó trình bày cách máy móc học chơi cờ backgammon, cách Deep Blue chơi cờ vua và cách AlphaGo chơi cờ vây giỏi. AI hiện nay có thể xử lý các trò chơi điện tử rất phức tạp (như "StarCraft") và đạt được những "kết quả mang tính đột phá". Đồng thời, học máy cũng được sử dụng rộng rãi trong chẩn đoán hình ảnh y tế.Robot học, thị giác máy tính, lái xe tự động, khoa học thần kinh, nông nghiệp, dự báo thời tiết và các lĩnh vực khác..  
  Trong nhiều thập kỷ, ý tưởng cơ bản thúc đẩy sự phát triển của công nghệ máy tính là...Vấn đề càng lớn, chúng ta càng cần nhiều sức mạnh tính toán hơn. Càng có nhiều sức mạnh xử lý, bạn càng có thể giải quyết được những vấn đề lớn hơn. Trong một thời gian, quy tắc này cũng áp dụng cho việc giải quyết các bài toán trí tuệ nhân tạo. Tuy nhiên, quy tắc này nhanh chóng bị phá vỡ bởi sự bùng nổ của không gian bài toán. Bởi vì đơn giản là chúng ta không thể dành đủ CPU/GPU để giải quyết một vấn đề như vậy.  
Thực tế đã chứng minh rằngTrí tuệ nhân tạo/Học máy không yêu cầu độ phức tạp của CPU/GPU thông thường, các phép toán cần thiết đơn giản hơn và độ chính xác yêu cầu thấp hơn nhiều.Ý nghĩa của phát hiện này là các bộ tăng tốc AI/ML chuyên dụng không cần phải phức tạp như CPU/GPU. Dựa trên điều này, Google đã thiết kế bộ tăng tốc TensorFlow và đã cho ra mắt sản phẩm thế hệ thứ ba, và sản phẩm thế hệ thứ tư sẽ sớm được phát hành. Bộ xử lý AI/ML tương đối đơn giản để thiết kế và do đó tương đối rẻ, tất cả những điều này giúp dễ dàng đẩy máy học ra xa hơn về phía rìa mạng. Tính đến năm 2019, Google đã có một mô hình rất nhỏ gọn có sẵn trên điện thoại thông minh.  
Mọi ứng dụng dựa trên trí tuệ nhân tạo (lái xe tự hành, hình ảnh y tế, trò chơi) ở giai đoạn hiện tại đều được triển khai bằng cách huấn luyện các hệ thống AI/ML chuyên dụng. Vậy, liệu AI có thể áp dụng kiến ​​thức đã học được trên một hệ thống vào một hệ thống mới mà nó chưa từng thấy trước đây? Câu trả lời rất rõ ràng: "CÓ".  
“Lý do tôi đề cập đến điều này là vì chúng tôi bắt đầu suy nghĩ về việc sử dụng AI cho việc đặt và định tuyến trong thiết kế ASIC,” Jeff Dean cho biết.Việc sắp xếp và định tuyến khó hơn nhiều so với Go:Mục tiêu mơ hồ hơn, và quy mô của vấn đề lớn hơn."Google đã tạo ra một mô hình học máy về địa điểm và tuyến đường, sau đó thử xem liệu công cụ này có thể được khái quát hóa hơn nữa hay không. "Cho đến nay, chúng tôi đã đạt được kết quả rất tốt trong tất cả các nỗ lực của mình," Jeff Dean cho biết. "Hiệu suất của nó tốt hơn một chút so với con người, đôi khi tốt hơn nhiều."Google đã so sánh hiệu quả của việc sử dụng máy học để định vị và định tuyến với phần mềm thương mại. Mạch thử nghiệm bao gồm nhiều mô-đun khác nhau, trong đó có CPU Ariane RISC-V. (Nguồn: Google Research / ISSCC)
“Tốt hơn” có nghĩa là sắp xếp và định tuyến trong thời gian rất ngắn. Thông thường, một chuyên gia thiết kế con người sẽ mất một tuần hoặc thậm chí nhiều tuần để hoàn thành công việc này.Máy đặt và máy định tuyến ML thường có thể hoàn thành cùng một lượng công việc trong 24 giờ, và dây dẫn bố trí thường ngắn hơn.Để có hiệu suất vượt trội hơn nữa của ML place and router trong việc bố trí và định tuyến tự động, vui lòng tham khảo bài viết "Machine Learning in EDA Speeds Up the Design Cycle" của Rod Metcalfe thuộc Cadence.  
Jeff Dean cho biết học máy (ML) cũng có thể được mở rộng sang các phần khác của quy trình thiết kế mạch tích hợp, bao gồm việc sử dụng ML để giúp tạo ra các trường hợp thử nghiệm nhằm xác minh đầy đủ hơn các thiết kế ASIC; và có lẽ sử dụng ML để cải thiện quá trình tổng hợp mã cấp cao nhằm đạt được các thiết kế tối ưu hơn. Những hướng ứng dụng tiềm năng này rất quan trọng đối với việc phổ biến học máy nói chung, và cũng quan trọng không kém đối với việc đẩy nhanh tiến độ thiết kế mạch tích hợp.  
Không cần thiết phải có CPU/GPU đắt tiền và mạnh mẽ, điện toán biên có thể được tùy chỉnh.
   
Kou-Hung Loh, phó chủ tịch cấp cao kiêm giám đốc chiến lược của MediaTek, chỉ ra rằng các thiết bị IoT kết nối hàng chục tỷ vật thể với nhau, nhưng trí tuệ nhân tạo (AI) đang thay đổi mọi thứ được kết nối với Internet.  
Một phần lý do khiến AI đang chuyển hướng sang điện toán biên là như Dean đã đề cập trước đó trong phần này, và còn nhiều lý do khác nữa, bao gồm:Giảm bớt gánh nặng xử lý ngày càng tăng đối với các trung tâm dữ liệu và giảm thiểu lưu lượng mạng.và những ứng dụng thời gian thực yêu cầu sử dụng xử lý gần cục bộ. Yêu cầu xử lý cục bộ: nhanh (phải được thiết kế đặc biệt cho điện toán AI) và tiêu thụ điện năng thấp. Các bộ xử lý được thiết kế đặc biệt cho AI này được gọi là bộ xử lý AI (AI processor unit - APU). APU có thể kém linh hoạt hơn CPU, nhưng vì nó chuyên dụng,APU có thể hoạt động nhanh hơn CPU gấp 20 lần và tiêu thụ điện năng ít hơn CPU gấp 55 lần..  
Việc cùng thiết kế nhiều hệ thống có khó không? Trí tuệ nhân tạo giúp bạn khai mở tám kinh mạch kỳ diệu.
   
Nadine Collaert, giám đốc dự án của Imec, chỉ ra rằng Định luật Moore vẫn có thể áp dụng trong vài năm tới. Mặc dù việc thu nhỏ CMOS ngày càng khó khăn, nhưng các công nghệ FinFET, nanosheet, forksheet và các công nghệ khác có thể được sử dụng để đạt được sự thu nhỏ hơn nữa của CMOS ở cấp độ chip. Người ta tin rằng công nghệ 3D là phương pháp tốt nhất: bao gồm việc sử dụng bao bì đa lớp, các lỗ xuyên suốt trong silicon và các kết nối ở cấp độ tinh vi với các ô tiêu chuẩn khác. Việc lựa chọn công nghệ cụ thể cần được xác định dựa trên các yêu cầu thiết kế hệ thống và các thuộc tính thiết bị có sẵn. "Đây sẽ là một bài toán phức tạp," Collaert nói. Điều này sẽ tạo ra áp lực lớn đối với các nhà cung cấp EDA, bởi vì nó đòi hỏi các nhà cung cấp EDA phải hỗ trợ việc thử nghiệm và so sánh các giải pháp khác nhau ở cấp độ công cụ.  
Các mô-đun giao diện phía trước của hệ thống truyền thông không dây sẽ trở thành một thách thức đặc biệt. “Thông thường, các hệ thống này rất đa dạng: sử dụng nhiều thành phần khác nhau từ các công nghệ khác nhau, và các mô-đun giao diện phía trước trở nên phức tạp hơn với việc bổ sung ăng-ten, bộ khuếch đại công suất (PA) và bộ lọc.”Ngành công nghiệp truyền thông không dây đang hướng tới tần số cao hơn và hiệu suất cao hơn.Một lựa chọn là kết hợp các vật liệu III-V như GaN và SiC với CMOS để tận dụng ưu điểm của cả hai loại vật liệu. Nadine Collaert đã đưa ra một ví dụ minh họa về cấu trúc nano-rãnh 3D được tạo ra từ vật liệu III-V trên chất nền silicon trên lớp cách điện (SOI), đồng thời chỉ ra rằng vẫn còn rất nhiều việc cần phải làm ở đây.      Imec chứng minh khả năng tạo ra các gờ nano 3D bằng vật liệu III-V trên chất nền silicon trên lớp cách điện (SOI).
Về tác động của máy học lên bộ nhớ, điều đó thậm chí còn rõ ràng hơn. Các ứng dụng mới như trí tuệ nhân tạo (AI) và máy học (ML) đòi hỏi truy cập bộ nhớ nhanh chóng. Mọi người cần khẩn trương chú ý và phát triển điện toán bộ nhớ. Khi logic và lưu trữ ngày càng xích lại gần nhau, bao bì 3D chắc chắn sẽ đóng một vai trò quan trọng.  
Bằng cách hỗ trợ lẫn nhau, điện toán lượng tử và trí tuệ nhân tạo có thể bổ sung cho nhau.
   
 

Giám đốc nghiên cứu của IBM, Dario Gil, cũng đề cập đến trí tuệ nhân tạo tổng quát tại hội nghị: "Gần như chắc chắn rằng trí tuệ nhân tạo tổng quát sẽ được triển khai trên máy tính lượng tử." Ông kết luận.Lợi ích lớn nhất có thể đến từ việc sử dụng bổ sung các bit (xử lý số), nơ-ron (trí tuệ nhân tạo) và qubit (điện toán lượng tử).IBM đã mở quyền truy cập vào máy tính lượng tử đầu tiên vào năm 2016 và hiện đang sở hữu quyền truy cập vào 15 máy tính lượng tử, bao gồm cả mẫu 53 qubit mới nhất của hãng.

Tuyên bố miễn trừ trách nhiệm: Bài viết này được đăng lại từ "Xinzhiyuan". Bài viết này chỉ thể hiện quan điểm cá nhân của tác giả và không đại diện cho quan điểm của Sacco Micro hay toàn ngành. Bài viết được đăng lại và chia sẻ nhằm mục đích bảo vệ quyền sở hữu trí tuệ. Vui lòng ghi rõ nguồn và tác giả khi đăng lại. Nếu phát hiện vi phạm bản quyền, vui lòng liên hệ với chúng tôi để gỡ bỏ.

Số điện thoại công ty: +86-0755-83044319
Số fax: +86-0755-83975897
Email: 1615456225@qq.com
QQ: 3518641314 Quản lý Li

QQ: 332496225 Quản lý Qiu

Địa chỉ: Phòng 809, Tòa nhà C, Tòa nhà Công nghệ Zhantao, Số 1079 Đại lộ Minzhi, Khu Longhua Mới, Thâm Quyến